时间复杂度和空间复杂度

算法的性能分析是算法设计中非常重要的方面,要想编写出能高效运行的程序,我们就需要考虑到算法的效率。 
算法的效率主要由以下两个复杂度来评估:

 
时间复杂度:评估执行程序所需的时间。可以估算出程序对处理器的使用程度。算法的时间复杂度一般是问题规模的函数,通常用T=T(n)表示,其中,n表示问题的规模,即算法所处理的数据量。T表示算法所用时间。

算法的执行时间=该算法所有语句执行次数(包括重复执行次数)* 执行每条语句所花费时间总和。由于每条语句的执行时间是cpu速度决定的,对计算机而言是常数,因此可以忽略不计,只考虑语句的执行次数(频率或频度)。为了进一步简化计算,可以只用算法中某条重要语句(执行时间最长的语句)的执行频度。换句话说就是时间复杂度是主要语句频度的倍数。

备注:一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)

 
空间复杂度:评估执行程序所需的存储空间。可以估算出程序对计算机内存的使用程度。不包括算法程序代码和所处理的数据本身所占空间部分。通常用所使用额外空间的字节数表示。其算法比较简单,记为S=S(n),其中,n表示问题规模。

设计算法时,一般是要先考虑系统环境,然后权衡时间复杂度和空间复杂度,选取一个平衡点。不过,时间复杂度要比空间复杂度更容易产生问题,因此算法研究的主要也是时间复杂度,不特别说明的情况下,复杂度就是指时间复杂度。 

评价算法时间复杂度大小需要考虑的因素:

1,计算机硬件系统的运行速度。

2,所使用的软件环境。

3,算法本身的策略,采用不同的存储结构和不同的算法过程,是影响时间复杂度的本质原因之一。

4,所处理的数据量多少。

算法性能的评价方法:

1,事后统计法。

2,预先计算估算法。

 1>精确计算法

 2>近似估算法

这里我介绍数据结构最常用的方法,也就是第二种的第二类。

T(n)=O(f(n));S(n)=O(g(n))

其中,f(n)和g(n)是一个已知的函数,作为计较的尺度。

通常的比较尺度有:

O(1)称为常量级,算法的时间复杂度是一个常数。

O(n)称为线性级,时间复杂度是数据量n的线性函数。

O()称为平方级,与数据量n的二次多项式函数属于同一数量级。

O()称为立方级,是n的三次多项式函数。

O(logn)称为对数级,是n的对数函数。

O(nlogn)称为介于线性级和平方级之间的一种数量级

O(2ⁿ)称为指数级,与数据量n的指数函数是一个数量级。

O(n!)称为阶乘级,与数据量n的阶乘是一个数量级。

它们之间的关系是: O(1)<O(logn)<O(n)<O(nlogn)<O(n²)<O(n³)<O(2ⁿ)<O(n!)


下面这个表格可以很直接的表示出时间复杂度的差异。

n

logn

√n

nlogn

2ⁿ

n!

5

2

2

10

25

32

120

10

3

3

30

100

1024

3628800

50

5

7

250

2500

10^15

3.0*10^64

100

6

10

600

10000

10^30

9.3*10^157

1000

9

31

9000

1000 000

10^300

4.0*10^2567




阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页